Verbessertes CNN-Modell zur Klassifikation von Pankreasgangs-Adenokarzinom basierend auf proteomischen Daten

Pankreasgangs-Adenokarzinom (PDAC) ist einer der tödlichsten Tumoren, wobei nur etwa neun Prozent der Betroffenen mehr als fünf Jahre nach der Diagnose überleben. Ein erheblicher Teil des schlechten Ergebnisses kann der späten Erkennung zugeschrieben werden. Die Krankheit wird jedoch in einem frühen Stadium erkannt. Während die Wucherungen noch recht klein und handhabbar sind, können die fünfjährigen Überlebensraten auf bis zu siebzig Prozent steigen. Aus diesem Grund besteht eine große klinische Nachfrage nach der Schaffung einer nicht-invasiven Untersuchung, die auf die früheste Identifizierung von PDAC abzielt und das Potenzial hat, die aktuellen Aussichten der Patienten zu verbessern. Angesichts der düsteren Zukunft des Pankreaskrebses müssen schnellstmöglich neue Strategien zur frühen Erkennung und Prävention entwickelt werden. Forscher haben kürzlich gezeigt, dass die Proteomik-Technologie effektiv ist, um wichtige Biomarker für frühe Stadien von Pankreaskrebs zu identifizieren. Eine der größten Herausforderungen besteht darin, physiologisch relevante Informationen aus der riesigen Menge an Daten, die beim Proteom-Profiling gesammelt werden, zu erkennen und zu extrahieren. Aufgrund der enormen Komplexität von Proteomik-Datensätzen und der Tatsache, dass diese typischerweise winzige Probenzahlen aufweisen, ist es wichtig, nicht-klassische statistische Ansätze zur Datenverarbeitung anzuwenden. Deep-Learning-Modelle sind effektiver; es wurden in letzter Zeit nur wenige Versuche unternommen, PDAC zu identifizieren, doch die Modelle wurden nicht erfolgreich entwickelt. Diese Arbeit verwendet ein verbessertes Convolution Neural Network (CNN)-Modell, um die Pankreaserkrankung in verschiedenen Stadien genau zu klassifizieren und klinisch anzupassen. Das Modell weist im Vergleich zu bestehenden Modellen effektive Ergebnisse auf.